Sentinelbi AI: an AI-Powered Business Intelligence System for Revenue Monitoring and Anomaly Detection

في عالم التسوق عبر الإنترنت الصاخب، تتدفق موجة مستمرة من المعاملات في كل ثانية، مما يخلق سجلاً ضخماً ومعقداً لما يشتريه الناس، ومتى يشترونه، وكم ينفقون. بالنسبة لأصحاب الأعمال، تعد هذه البيانات كنزاً ثميناً، لكنها تمثل أيضاً تحدياً. تعتمد معظم الشركات الصغيرة والمتوسطة على رسوم بيانية بسيطة تظهر إجمالي المبيعات، تماماً مثل عداد السرعة في السيارة الذي يعرض فقط السرعة الحالية. تخبر هذه الرسوم البيانية المدير بمدى سرعته في الوقت الحالي، لكنها لا تحذره إذا كان المحرك يتعثر أو إذا كانت السيارة تنحرف فجأة عن مسارها. يكمن الخطر الحقيقي في غير المتوقع: ارتفاع مفاجئ وغير مبرر في المبيعات قد يشير إلى خطأ في التسعير، أو انخفاض هادئ يوحي بنقص في المخزون، أو نمط غريب يلمح إلى وجود احتيال. ولإدراك هذه المشكلات، تحتاج الشركات إلى ما هو أكثر من مجرد لقطة للحاضر؛ إنها بحاجة إلى نظام يفهم كيف يبدو "الطبيعي" بمرور الوقت ويمكنه رصد متى يختل إيقاع العمل فوراً. هذا هو مجال اكتشاف الشذوذ (anomaly detection)، وهو مجال تتعلم فيه الحواسيب التعرف على الأنماط المعتادة للبيانات حتى تتمكن من إطلاق إنذار في اللحظة التي يحدث فيها شيء غير عادي.

قام باحثان من معهد تشايتانيا بهاراتي للتكنولوجيا في الهند ببناء أداة جديدة مصممة لحل هذه المشكلة تحديداً لتجار التجزئة عبر الإنترنت. وقد أطلقوا على ابتكارهم اسم SentinelBI AI، وهو نظام يعمل كحارس يقظ لتدفقات الإيرادات. وبدلاً من الاعتماد على قاعدة واحدة جامدة لتحديد الخطأ، يستخدم النظام نوعين مختلفين من الذكاء الاصطناत्मक يعملان معاً. أحد النوعين بارع في رصد الأيام الغريبة المنفردة، مثل الارتفاع المفاجئ والمعزول في المبيعات الذي لا يتناسب مع الملف التعريفي المعتاد لهذا اليوم. والنوع الآخر أفضل في فهم تدفق الوقت، حيث يدرك متى يتبع تسلسل الأيام نمطاً غريباً قد يغفل عنه البشر. ومن خلال الجمع بين رؤى كلا النوعين، ينشئ النظام مقياس تحذير ثلاثي المستويات: طبيعي، تحذير، وحرج. يسمح هذا النهج للنظام بتصفية الضجيج الناتج عن التقلبات اليومية والتركيز فقط على الأيام التي تتطلب اهتماماً حقيقياً.

اختبر الباحثون نظامهم باستخدام مجموعة بيانات واقعية من بائع تجزئة هدايا كبير عبر الإنترنت، تغطي أكثر من مليون معاملة فردية من أواخر عام 2009 إلى أواخر عام 2011. قاموا بتنظيف هذا السجل الضخم من البيانات وتنظيمه في 731 ملخصاً يومياً، مع تتبع مقايقات رئيسية مثل إجمالي الإيرادات، وعدد العناصر المباعة، وعدد المعاملات، وعدد العملاء النشطين. كما قاموا بحساب مدى اختلاف إيرادات كل يوم عن متوسط الأسبوع السابق. ومع هذه المعلومات المعدة، قاموا بتدريب نموذجين من الذكاء الاصطناعي. النموذج الأول، المعروف باسم "غابة العزل" (Isolation Forest)، تعلم كيفية تحديد الأيام غير العادية من خلال النظر في التركيبة المحددة للأرقام لذلك اليوم الواحد. أما النموذج الثاني، وهو "المشفر التلقائي LSTM" (LSTM Autoencoder)، فقد تعلم الشكل الطبيعي للإيرادات عبر نافذة زمنية مدتها ثلاثون يوماً، مما سمح له باكتشاف متى يبدو التاريخ الأخير للمبيعات خاطئاً، حتى لو بدت الأرقام في يوم واحد تبدو طبيعية.

عندما أجرى النظام تحليله على 731 يوماً من تاريخ العمل، وجد أن النموذجين اتفقا في الغالبية العظمى من الأيام، حيث حددا معظم الأوقات بشكل صحيح كعمل تجاري طبيعي. ومع ذلك، ظهرت القيمة الحقيقية في الأيام التي اختلف فيها النموذجان أو حيث أطلق كلاهما جرس الإنذار. فقد صنف النظام 19 يوماً كـ "حرجة"، مما يعني أن كلا النموذجين اتفقا على وجود خطأ جسيم. كما حدد 32 يوماً أخرى كـ "تحذير"، حيث أطلق أحد النموذجين الإنذار بينما لم يفعل الآخر. وتم تصنيف الأيام الـ 680 المتبقية كأيام طبيعية. أثبت هذا النهج ثنائي النماذج أنه أكثر دقة من القاعدة البسيطة والثابتة التي تبحث فقط عن الأرقام المرتفعة جداً أو المنخفضة جداً. وبينما كانت القاعدة الأساسية ستحدد 41 يوماً بنسبة نجاح أقل في مطابقة الأحداث غير العادية الفعلية، إلا أن نظام الباحثين الأكثر ذكاءً حدد أياماً أقل ولكنه رصد نسبة مئوية أعلى من المشكلات الحقيقية، حيث حقق النموذجان معدلات مطابقة تزيد عن 50 بالمائة.

ولجعل هذه النتائج مفيدة لرجال الأعمال الفعليين، لم يتوقف الباحثون عند حدود الكود البرمجي. بل قاموا ببناء لوحة تحكم تفاعلية كاملة يمكن لأي شخص استخدامها في متصفح الويب، دون الحاجة إلى معرفة البرمجة. تحتوي لوحة التحكم هذه على خمس صفحات مختلفة؛ حيث تقدم إحدى الصفحات نظرة عامة رفيعة المستوى للمديرين التنفيذيين، بينما تغوص الصفحات الأخرى بعمق في حالات الشذوذ المحددة. وتعد ميزة "الاستعلام باللغة الطبيعية" ميزة مبتكرة بشكل خاص؛ فهي تسمح للمستخدم بكتابة سؤال باللغة الإنجليزية البسيطة، مثل السؤال عن المنتجات الأكثر مبيعاً في بلد معين، ويقوم النظام تلقائياً بترجمة هذا السؤال إلى أوامر قاعدة البيانات اللازمة لإيجاد الإجابة. وهذا يزيل الحاجة إلى المصطلحات التقنية، مما يسم يسمح للمديرين بطرح الأسئلة والحصول على الإجابات فوراً.

كشفت الدراسة عن رؤى واضحة حول أفضل السبل لمراقبة الأعمال. لم يكن العامل الأكثر أهمية في اكتشاف الشذوذ هو إجمالي المبلغ الذي تم تحصيله، بل مدى اختلاف إيرادات ذلك اليوم عن الماضي القريب. فاليوم الذي يشهد مبيعات عالية ليس بالضرورة مشكلة إذا كان يتناسب مع نمط الأسبوع السابق؛ اليوم يكون غريباً فقط إذا كسر الإيقاع. كما أظهر النظام أن المملكة المتحدة، التي كانت السوق الرئيسي للبيانات، هي التي تهيمن على الإيرادات، مما يشير إلى أن الشذوذ في البلدان ذات الحجم الكبير يستحق الاهتمام الأكبر. ومن خلال دمج نقاط القوة في طريقتين مختلفتين من الذكاء الاصطناعي، أنشأ الباحثون أداة تتسم بالدقة والعملية في آن واحد. إنها تحول التعلم الآلي غير الخاضع للإشراف والمعقد إلى دليل بسيط وقابل للتنفيذ، مما يساعد الشركات على الانتقال من مجرد مراقبة أرقام مبيعاتها إلى الفهم النشط وصون صحتها المالية.